隨著人工智慧的興起，我們毫無疑問正處在一個巨大變革的時代，作為普通人，我們也常常有很多焦慮和疑惑：在科技快速更新迭代的時代背景下，我們的工作會被 AI 取代麼？AI 能否給我們帶來新的機會呢？

本期的《科技早知道》中，嘉賓深入的解析了科技變革的週期性發展——從蒸汽機到當今的大模型 AI。我們探討了這些通用技術給社會與商業模式帶來的顛覆性變化，也談到了人工智慧技術將改變普通人生活的創新應用模式。希望我們能借助對科技歷史的回顧，找到預測與擁抱未來的機會與視角。

科技史上這樣的例子有很多，比如 UPS 的創始人 Jim Casey，他在汽車和電話普及的早期，就敏銳地發現「送信」這種業務會逐漸被淘汰，但「送貨」會成為永恆需求。他迅速用福特 T 型車取代了馬車隊，開創了現代物流業。這說明科技的革新並不只是替代舊模式，而是催生全新業務模式。

亨利·福特為什麼能改變世界？不是因為他造了一輛更好的車，而是他讓車進入了大眾的生活。福特在 1908 年推出了 T 型車，但真正的轉折點是 1913 年他引入了 「流動流水線」，讓生產效率大幅提升，從「人動車不動」變成了「車動人不動」。這一改變使得生產成本大幅降低，到 1913 年，T 型車的價格從 800 多美元降到了 360 美元，一個普通工人只需要 72 天就能買到一輛車。這背後的意義不僅是技術進步，而是規模化生產的邏輯——透過降低生產成本，把技術普惠到每個人。

另一個例子是瓦特蒸汽機。雖然最初只是用來替代紐康門蒸汽機進行煤礦抽水，但幾十年後，高壓蒸汽機推動了火車和輪船的應用，徹底改變了交通和物流格局。這類科技從基礎突破到全面普及，往往需要多個配套技術完善，以及商業模式的逐步成型。

技術的突破只是第一步，真正改變世界的是找到新的業務模式。福特透過流水線讓車走進千家萬戶，蒸汽機透過結合配套技術走向運輸行業，這些創新才是真正的顛覆。我們今天看 AI 也是一樣，技術本身已經成熟，但它的核心價值要透過新的應用場景和業務模式體現出來，比如將 AI 用在哪些領域、如何普惠大眾，這才是值得深思的關鍵問題。

這種擔憂很常見，但如果放在更大的歷史視角下看，科技從來不是「讓人失業」的故事，而是「讓人升級」的故事。我們可以從歷史中找到很多類似的例子。比如工業革命時期，紡織廠的機械化確實讓手工紡織工人失去了工作，但新的紡織廠卻僱傭了大量兒童和婦女，這在當時意味著就業門檻的大幅降低。原來必須是熟練工才能完成的工作，因為機器的加入，變成了人人可做。這不是機會的減少，而是機會的重新分配。

類似的例子還有汽車替代馬車。馬車伕確實失去了工作，但新的汽車行業從司機、維修工到製造工人創造了更多崗位。而且，這些崗位提供了更高的收入和更好的社會地位。換句話說，科技的升級必然伴隨著某些職業的消亡，但也必然帶來全新的就業和社會需求。

那麼 AI 呢？確實，AI 會替代一些重複性、單一技能的勞動，比如司機、外賣員等。這些職業本身是「青春飯」，無法提供長期的價值積累。但更重要的是，AI 的出現也會創造新的崗位，甚至是新的行業。所以我們不應該把重點放在「什麼會被替代」上，而是要關注「什麼新的機會會被創造」。問題的核心是，我們如何更快、更有效地幫助被替代的群體轉崗，進入那些有更高價值的新領域。就像我之前提到的，每一次科技革命都會經歷一個適應期。從蒸汽機到電力，從網際網路到今天的 AI，這個過程看似讓人恐慌，但最終它讓我們的社會變得更高效、更公平，讓普通人有機會進入新的產業、獲得更好的發展空間。歸根結底，科技的發展不是為了消滅工作，而是為了釋放人類的潛力。如果我們能用這個視角去看 AI，會發現它是一個巨大的機遇，而不是威脅。

現在的大模型技術已經非常強大，它具備了通用技術的潛質，但要成為真正的基礎設施，還需要幾項關鍵的配套技術進一步成熟。第一是記憶功能，AI 要與人進行深度互動，就需要記憶使用者的歷史資訊，從而實現真正的個性化服務。現在的技術解決方案是透過百萬級 Token 儲存大量互動記錄，但這還只是簡單粗暴的方法，未來還需要更高效的技術來完善記憶功能。第二是AI 代理（AI Agent），未來 AI 的核心不是單純生成內容，而是能夠幫助使用者完成各種實際任務，比如管理日程、規劃出行、甚至與其他應用程式協同完成複雜行動。行動智慧是下一階段的關鍵，這需要技術上的互聯互通，以及更強的執行能力。第三是邏輯推理能力，AI 要真正成為基礎設施，就必須具備強大的邏輯推理能力，尤其是人類式的軟性推理和模糊判斷能力。比如，它需要理解潛臺詞、處理不完全資訊，並進行多步驟的推理，以支援複雜的決策。

從歷史的規律看，任何通用技術的普及都需要技術成熟和新的業務模式相輔相成。現在，AI 正在從「效能最佳化」階段向「複雜服務」階段過渡，我們預測兩年內，這些配套技術將逐漸完善，新的應用模式也會逐步湧現。到那時，AI 才會真正具備作為基礎設施的條件，並全面融入到各個行業中。

所以我的判斷是：我們正站在這個條件出現的前夜，它離真正成為普惠型的底層技術，只差最後一公里。

我認為健康管理將成為一個非常重要的方向。AI 的價值不只是替代傳統的健康監測手段，而是重構整個健康管理的正規化，從「關注疾病」轉向「關注健康」。

AI 和可穿戴裝置結合，可以實現對人體的即時、連續監測，不再是單點式測量，而是完整的健康曲線。這種動態的資料捕捉，能夠真正幫助我們理解一個人的健康狀態。例如，蘋果手錶的體溫監測雖然絕對值不精確，但它的溫度變化曲線卻非常有價值，因為它能反映身體的波動趨勢。人本身是一個動態調節的系統，很多時候身體的異常會自行恢復，只有當偏離曲線太遠且不可逆時，才會演變為疾病。

未來，AI 將透過多個生物指徵（Bio Markers）的綜合分析，比如心率變異指數、血糖變化等，幫助我們更早、更準確地識別健康風險。這不僅是技術的改進，更是一種全新的健康觀。

我認為，AI 健康管理的核心不在於替代醫生，而在於提供「專家級、個性化、持續性的服務」。它不僅能讓普通人像專家一樣理解自己的健康，還能持續跟蹤和干預。例如，當藥物效果開始減弱時，AI 可以透過資料變化提前發現問題，提醒醫生調整方案，避免藥效浪費或不必要的副作用。

更重要的是，AI 能讓每個人都負擔得起這種「專家級」服務。就像工業革命用流水線讓每個人都買得起車，AI 將透過技術的規模化和普惠化，讓所有人都能享受到高質量的健康管理。所以，AI 的目標不是取代醫生，而是賦能每個人，幫助我們重新理解健康、管理健康。

關於學習和分析，我的建議是：不要只關注具體的知識點，而是要去看規律、總結底層邏輯，用歷史的韻腳來幫助判斷未來。

比如，我常說「歷史不會簡單重複，但會押韻」。這是什麼意思呢？就是技術、商業模式的變化往往有相似的規律可循。你需要從過去的成功和失敗中找出本質——比如工業革命的規模化生產邏輯、網際網路時代的網路效應，甚至 AI 的發展路徑，這些底層規律往往比表面的技術更重要。

另一個技巧是切換不同的視角。大多數人只從自己的行業或專業出發思考問題，但很多創新其實來自跨界。如果你能從生物進化、物理學甚至藝術中找到規律，再回到自己的領域去驗證，往往會有意想不到的啟發。學習的關鍵不是記住更多，而是連線更多，找到那些可以遷移到不同領域的核心邏輯。

所以，學習的本質不是累積資訊，而是尋找規律，用規律來理解過去，判斷未來。